Проверка однородности смешивания материалов является ключевой задачей для обеспечения онлайн-контроля качества продукции и оптимизации технологического процесса. В связи с проблемой размытости изображения, вызванной дефокусировкой в гиперспектральной визуализации (Hyperspectral Imaging, HSI), и связанной с этим неэффективностью оценки однородности, предложен метод самоконтролируемого физически ограниченного обучения для удаления размытия с непривязанных гиперспектральных изображений (Physics-Constrained Self-Supervised Learning for Unpaired Hyperspectral Image Deblurring, PC-SSL-HSI Deblurring). Этот алгоритм использует сеть Uformer с интегрированным механизмом внимания SimAM в качестве сети де-блюринга и применяет состязательное обучение для согласования результатов удаления размытия с четкими изображениями в пространстве признаков. Одновременно разработан модуль предсказания ядра размытия на основе классической модели деградации для создания псевдообразцов, которые служат для обучения с самоконтролем, направляя сеть удаления размытия на восстановление локальных деталей гиперспектральных изображений. Экспериментальные результаты показывают, что предложенный метод эффективно восстанавливает детали изображения и уменьшает артефакты, способствуя точной оценке однородности смешивания материалов; на синтетическом наборе данных PSNR гиперспектрального изображения достиг 34.970, SSIM — 0.900, ошибка прогнозирования концентрации составила от 0.0228 до 0.0312. Предложенный метод превосходит сравниваемые алгоритмы по показателям однородности, таким как KL-дивергенция и коэффициент вариации CV, демонстрируя хорошую инженерную применимость.

гиперспектральное изображение;удаление размытия дефокуса;однородность смешивания;самоконтролируемое обучение;физические ограничения